陳 亮,陳曉竹,胡正東

(中國(guó)計(jì)量學(xué)院 信息工程學(xué)院,浙江 杭州 310018)

用于鬼影抑制的區(qū)域檢測(cè)算法

陳 亮,陳曉竹,胡正東

(中國(guó)計(jì)量學(xué)院 信息工程學(xué)院,浙江 杭州 310018)

Vibe是近期受到廣泛關(guān)注的一種有效的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法,采用背景像素點(diǎn)的穿插更新策略抑制鬼影的產(chǎn)生,抑制過(guò)程緩慢.現(xiàn)在原始Vibe算法的基礎(chǔ)上提出改進(jìn),改進(jìn)包括:為了處理鬼影和短暫停留的前景,引入緩沖模型和第二背景模型替換穿插更新策略;為了避免基于單像素點(diǎn)判別造成的誤判,對(duì)處理后的分割掩碼圖片進(jìn)行區(qū)域檢測(cè).實(shí)驗(yàn)結(jié)果表明,相比于原Vibe算法,改進(jìn)后的算法不僅能夠有效地處理噪點(diǎn)和鬼影,同時(shí)能夠有效處理短暫停留的前景目標(biāo).

背景建模;運(yùn)動(dòng)檢測(cè);Vibe算法;鬼影抑制

運(yùn)動(dòng)目標(biāo)檢測(cè)[1]是整個(gè)視頻監(jiān)控系統(tǒng)的關(guān)鍵一步,它是目標(biāo)跟蹤、目標(biāo)識(shí)別及行為理解等后續(xù)處理的基礎(chǔ),是目前機(jī)器視覺(jué)領(lǐng)域的一個(gè)重要研究方向,運(yùn)動(dòng)檢測(cè)性能的好壞直接影響整個(gè)視頻監(jiān)控系統(tǒng)的表現(xiàn).所謂運(yùn)動(dòng)目標(biāo)檢測(cè)就是在視頻序列中將運(yùn)動(dòng)的前景目標(biāo)從靜止的或者緩慢移動(dòng)的背景環(huán)境中檢測(cè)出來(lái),因?yàn)楸尘昂蛻?yīng)用環(huán)境的不同,研究不同環(huán)境下或通用環(huán)境下的有效運(yùn)動(dòng)目標(biāo)檢測(cè)變得非常迫切.對(duì)背景建模[2],然后將當(dāng)前幀與背景模型進(jìn)行差分運(yùn)算是運(yùn)動(dòng)檢測(cè)中的一個(gè)有效方法,于不同的場(chǎng)景,學(xué)者提出了不同的建模算法.常見(jiàn)的背景建模分為參數(shù)模型建模方法和非參數(shù)模型建模方法.其中單高斯模型、混合高斯模型等屬于參數(shù)模型建模方法;背景幀差法、碼本算法、Vibe算法等屬于非參數(shù)建模方法.單高斯模型[3]使用單一的高斯模型對(duì)背景像素點(diǎn)建模,在室內(nèi)等單一環(huán)境下具有較好的檢測(cè)效果,但在復(fù)雜的環(huán)境下,如波動(dòng)的湖面和搖擺的樹(shù)枝等,就很難有效的建模和檢測(cè);針對(duì)單高斯模型存在的缺點(diǎn),有人提出了混合高斯模型[4-8],該方法認(rèn)為背景像素點(diǎn)在時(shí)間序列上符合混合高斯分布,從而用多個(gè)高斯分布對(duì)一個(gè)像素點(diǎn)的所有像素值做出描述,其參數(shù)量多,計(jì)算量大,導(dǎo)致參數(shù)估計(jì)慢,難以達(dá)到實(shí)時(shí)性的要求;背景差分法[9-10]使用預(yù)先給定的背景圖像作為背景模型,將當(dāng)前幀與背景模型做差,若兩幀之間對(duì)應(yīng)位置的像素值差別不夠明顯,則判斷為背景.該算法設(shè)計(jì)簡(jiǎn)單,計(jì)算量小,具有良好的實(shí)時(shí)性,但是其背景模型固定,不能隨著時(shí)間推移更新背景模型,當(dāng)背景變化時(shí)難以有效的檢測(cè)前景運(yùn)動(dòng)目標(biāo);碼本算法[11-14]為每個(gè)像素點(diǎn)建立一個(gè)碼本,碼本中包含若干碼字,然后將當(dāng)前像素值與碼本中的碼字在色彩失真和亮度失真兩個(gè)條件下進(jìn)行比較,提取出前景運(yùn)動(dòng)目標(biāo).該算法計(jì)算量小能夠達(dá)到實(shí)時(shí)的要求,但是其先驗(yàn)參數(shù)需要權(quán)衡,而且該算法在暗色區(qū)域難以有效的進(jìn)行前景檢測(cè).

Vibe[15-16]算法是Olivier Barnich等學(xué)者在2009年提出的一種運(yùn)動(dòng)目標(biāo)檢測(cè)算法,在不同環(huán)境下具有良好的適應(yīng)性和實(shí)時(shí)性,但是它無(wú)法及時(shí)有效的抑制鬼影和陰影.針對(duì)Vibe存在的問(wèn)題,專(zhuān)家學(xué)者提出了改進(jìn):蔣建國(guó)提出一種基于像素級(jí)和幀級(jí)相結(jié)合的動(dòng)態(tài)自適應(yīng)背景更新算法[17],用以解決光照變化對(duì)算法的影響,提高了魯棒性,同時(shí)利用YUV彩色空間來(lái)消除陰影;張磊提出顏色特征信息與Vibe相結(jié)合的改進(jìn)算法[18],將像素點(diǎn)從RGB空間轉(zhuǎn)換到HSV空間進(jìn)行顏色失真度比較,提高了魯棒性;M. Van Droogenbroeck通過(guò)改變Vibe的背景更新策略,限制背景點(diǎn)的穿插更新.通過(guò)對(duì)檢測(cè)出的掩碼圖片進(jìn)行二次處理,有效地抑制了噪聲的干擾,提高了算法的有效性和魯棒性[19];陳曉竹為了使Vibe算法能夠快速處理鬼影,利用相鄰像素點(diǎn)的空間一致性對(duì)Vibe算法進(jìn)行改進(jìn),能夠有效的處理鬼影[20].為了能夠快速有效的處理鬼影,受到上述文章的啟發(fā),我們提出一種基于區(qū)域檢測(cè)的改進(jìn)Vibe算法.實(shí)驗(yàn)證實(shí),改進(jìn)后的算法不僅能夠有效地處理噪點(diǎn)和鬼影,同時(shí)也能夠有效地處理短暫停留的前景目標(biāo).

1 Vibe算法簡(jiǎn)介

Vibe算法是Olivier Barnich等學(xué)者在2009年提出的一種通用環(huán)境下的有效運(yùn)動(dòng)目標(biāo)檢測(cè)算法,該算法為每個(gè)像素點(diǎn)建立一個(gè)背景模型,背景模型是樣本值的集合,其中的樣本值均是可信賴(lài)的背景像素值,模型公式如下:

M(x)={v1,v2,...,vN}

(1)

式(1)中:N—背景模型中的樣本容量,在Vibe算法中N等于20.對(duì)于像素點(diǎn)的當(dāng)前像素值v(x),設(shè)定閾值R,計(jì)算以v(x)為中心R為半徑的區(qū)域與M(x)背景模型相交的像素點(diǎn)個(gè)數(shù)

#{{v(x)-R,v(x)+R}∩M(x)}

(2)

#為計(jì)算當(dāng)前像素點(diǎn)在閾值范圍內(nèi)與背景模型相交的像素點(diǎn)個(gè)數(shù),若其值大于閾值Th,則當(dāng)前像素值被判為背景像素值,否則判為前景像素值.若當(dāng)前像素值被判為背景,則它有?分之一的機(jī)會(huì)更新自己的背景模型,同時(shí)也有?分之一的機(jī)會(huì)更新其8鄰域中任一鄰居像素點(diǎn)的背景模型,Vibe算法中閾值R等于20,Th等于2.?為抽樣因子,其值為16.

初始化是算法建立背景模型的過(guò)程,Vibe算法采用視頻第一幀來(lái)初始化其背景模型,由于第一幀中不可能包含像素點(diǎn)的N個(gè)樣本值,根據(jù)相鄰像素點(diǎn)的空間一致性原則,用其鄰域像素值填充背景模型,進(jìn)行N次,鄰居點(diǎn)從其8鄰域中隨機(jī)選擇

M0(x)={v0(y|y∈NG(x))}

(3)

式(3)中:0—初始時(shí)刻,NG(x)—像素點(diǎn)x的任一8鄰居點(diǎn)的初始幀像素值.對(duì)Vibe算法進(jìn)行深入分析發(fā)現(xiàn),Vibe存在以下問(wèn)題.

1.1 鬼影問(wèn)題

Vibe算法用視頻序列的第一幀初始化像素點(diǎn)的背景模型,這使得Vibe的初始化非常迅速,但是當(dāng)待檢測(cè)的前景目標(biāo)在第一幀中出現(xiàn)時(shí),這種初始化方式將導(dǎo)致鬼影的出現(xiàn).模型初始化時(shí)Vibe算法錯(cuò)誤的將前景目標(biāo)當(dāng)做背景像素值建模,當(dāng)前景目標(biāo)離開(kāi)后,采樣到的真正背景值無(wú)法與背景模型匹配,導(dǎo)致背景點(diǎn)被錯(cuò)誤的檢測(cè)為前景點(diǎn),形成鬼影.鬼影的出現(xiàn)將嚴(yán)重影響運(yùn)動(dòng)目標(biāo)的檢測(cè)、跟蹤及行為理解,然而Vibe算法并沒(méi)有對(duì)鬼影進(jìn)行特殊處理,鬼影的抑制完全依靠穿插更新策略.

由于鬼影是被誤判為前景的背景像素值,根據(jù)相鄰像素點(diǎn)的空間一致性,可以推斷鬼影像素值與其鄰域的背景像素值相似.在Vibe算法中被判為背景的當(dāng)前像素值有機(jī)會(huì)更新其鄰域的背景模型,當(dāng)穿插到鄰域背景模型中的背景像素值個(gè)數(shù)達(dá)到判定閾值Th時(shí),鬼影像素點(diǎn)將會(huì)被判為背景.隨著時(shí)間推移,算法整體表現(xiàn)為鬼影從外到內(nèi)逐漸被判為背景.穿插更新雖然能夠抑制鬼影,但是穿插更新策略對(duì)鬼影的抑制從外到內(nèi)是一個(gè)緩慢的過(guò)程,不能及時(shí)有效地抑制鬼影.

1.2 穿插更新引入誤判

雖然穿插更新策略能夠抑制鬼影,但是穿插更新也可能引入誤判.當(dāng)停留的前景目標(biāo)像素值與其鄰域的背景像素值接近時(shí),穿插更新的引入將造成對(duì)停留前景目標(biāo)的誤判.

圖1 穿插誤判效果圖Figure 1 Error effect of background model interspersed

如圖1所示,行李箱與其后面的屏風(fēng)灰度像素值相近,短暫停留后,經(jīng)過(guò)鄰域屏風(fēng)背景像素值的穿插更新,Vibe算法檢測(cè)效果如(b)所示:行李箱上半部分已被誤判為背景像素點(diǎn),而取消穿插更新后,算法依然能夠檢測(cè)出完整的行李箱.由此實(shí)驗(yàn)可以得出結(jié)論:當(dāng)短暫停留的前景目標(biāo)像素值與其鄰域背景點(diǎn)像素值接近時(shí),穿插更新的引入將導(dǎo)致前景像素點(diǎn)從外到內(nèi)逐漸被誤判為背景點(diǎn).

在一定條件下背景像素值的穿插更新策略雖然會(huì)造成誤判,但是Vibe算法中對(duì)鬼影的抑制卻完全依靠穿插更新策略,取消穿插后,Vibe算法將無(wú)法處理鬼影,初始化引入的鬼影將始終存在.綜合考慮所有問(wèn)題,我們提出以下改進(jìn)算法.

2 基于區(qū)域檢測(cè)的改進(jìn)Vibe算法

為了能夠快速有效的處理鬼影和短暫停留的前景運(yùn)動(dòng)目標(biāo),在原始Vibe算法的基礎(chǔ)上進(jìn)行修改,提出基于區(qū)域檢測(cè)的改進(jìn)Vibe算法:為了處理鬼影和短暫停留的前景,引入緩沖模型和第二背景模型替換穿插更新策略;為了避免基于單像素點(diǎn)判別造成的誤判,對(duì)處理后的分割掩碼圖片進(jìn)行區(qū)域檢測(cè);根據(jù)輸出掩碼圖片中像素點(diǎn)X被判為前景的頻率f,進(jìn)行附加鬼影檢測(cè),或者進(jìn)行短暫停留前景附加檢測(cè).流程如圖2下:

圖2 算法流程圖Figure 2 Flowchart of the algorithm

2.1 區(qū)域檢測(cè)

2.1.1 取消穿插更新

當(dāng)短暫停留的前景目標(biāo)像素值與其鄰域背景像素值非常接近時(shí),Vibe算法中的穿插更新策略將引起誤判,所以我們?nèi)∠尘跋袼攸c(diǎn)的穿插更新策略.被判為背景的當(dāng)前像素值只用來(lái)更新其自己的背景模型,不對(duì)其鄰域進(jìn)行穿插更新.為了保持算法的一致性,初始化時(shí)僅用本像素點(diǎn)的像素值重復(fù)填充背景模型,不用鄰域像素點(diǎn)像素值進(jìn)行填充.這樣改進(jìn)后的Vibe是基于單像素點(diǎn)的運(yùn)動(dòng)檢測(cè)算法,為了避免單像素點(diǎn)檢測(cè)造成的誤判,我們引入?yún)^(qū)域檢測(cè)更新.

2.1.2 區(qū)域檢測(cè)更新

這里的區(qū)域檢測(cè)是對(duì)改進(jìn)后的Vibe算法檢測(cè)出的掩碼圖片進(jìn)行再檢測(cè).

圖3 掩碼圖片F(xiàn)igure 3 Mask images

圖3中(b)、(c)示意圖分別是a所示掩碼圖片右上角和左下角紅色矩形框部分放大5倍后的效果圖.通過(guò)對(duì)掩碼圖片進(jìn)行觀察研究發(fā)現(xiàn),噪點(diǎn)的8鄰域內(nèi)前景點(diǎn)的個(gè)數(shù)一般不會(huì)超過(guò)2個(gè),而運(yùn)動(dòng)目標(biāo)像素點(diǎn)的8鄰域內(nèi)前景點(diǎn)的個(gè)數(shù)基本都大于等于3個(gè),所以,對(duì)掩碼圖片的區(qū)域檢測(cè)以8鄰域?yàn)閱挝贿M(jìn)行.為了達(dá)到區(qū)域檢測(cè)更新的目的,掃描檢測(cè)輸出的掩碼圖片當(dāng)發(fā)現(xiàn)前景點(diǎn)時(shí),計(jì)算其8鄰域內(nèi)的前景點(diǎn)個(gè)數(shù),若其8鄰域內(nèi)的前景點(diǎn)個(gè)數(shù)小于等于2,則認(rèn)為其為噪聲點(diǎn),將其改判為背景像素點(diǎn).這樣,引入了區(qū)域更新,不僅避免了單像素點(diǎn)引起的誤判,同時(shí)也有效地過(guò)濾了噪聲點(diǎn),提高了檢測(cè)的性能.

2.2 緩沖模型及第二背景模型

改進(jìn)后的Vibe算法,經(jīng)過(guò)基于8鄰域的區(qū)域檢測(cè),避免了單像素點(diǎn)造成的誤判,同時(shí)也有效地過(guò)濾了噪點(diǎn).由于Vibe算法采用保守的更新策略,只有背景像素點(diǎn)能夠用來(lái)更新背景模型,所以取消穿插更新后,鬼影像素點(diǎn)的背景模型不能得到更新,鬼影點(diǎn)將始終存在,若不加特殊處理算法將難以處理鬼影和新增背景.為了能夠有效地處理鬼影點(diǎn)和新增加的背景,引入緩沖模型和第二背景模型.其中緩沖模型用于存儲(chǔ)可能的第二背景像素值,第二背景模型用于處理鬼影和短暫停留的前景目標(biāo).圖4為緩沖模型更新流程.

圖4 緩沖模型更新流程圖Figure 4 Flowchart of the cache model updating

2.2.1 緩沖模型

對(duì)單一像素點(diǎn)分析發(fā)現(xiàn),單一像素點(diǎn)可能存在著四種取值:穩(wěn)定背景像素值、周期背景像素值、新增背景像素值及前景像素值.由于Vibe背景模型幾乎存儲(chǔ)著所有像素點(diǎn)的穩(wěn)定背景模型,這里緩沖模型只考慮其他三種情況.緩沖模型為像素點(diǎn)保存三個(gè)緩沖像素值,作為可能的第二背景模型

H(x)={h1,h2,h3}.

(4)

若當(dāng)前像素值不能與Vibe背景模型及第二背景模型完成匹配,更新緩沖模型.將當(dāng)前像素值與緩沖像素值依次進(jìn)行匹配,若能夠匹配,則此緩沖像素值的出現(xiàn)頻率f加1,否則其出現(xiàn)頻率f減1;如果當(dāng)前像素值與緩沖像素值都不匹配,檢查緩沖模型是否填滿(mǎn):若緩沖模型沒(méi)有填滿(mǎn),則用當(dāng)前像素值填充緩沖模型.若緩沖模型已經(jīng)填滿(mǎn),則用當(dāng)前像素值替換出現(xiàn)次數(shù)最少的緩沖像素值;最后,依次查看緩沖模型中的緩沖像素值的出現(xiàn)次數(shù)是否超過(guò)出現(xiàn)次數(shù)閾值,如果出現(xiàn)次數(shù)超過(guò)了出現(xiàn)次數(shù)閾值,將此緩沖背景像素值移入第二背景模型.

由于初始化引入的鬼影在視頻序列的開(kāi)始即被連續(xù)檢測(cè)為前景像素值,為了能夠快速地抑制鬼影,區(qū)別鬼影檢測(cè)和短暫停留前景的檢測(cè).引入幀序號(hào)閾值fTh,當(dāng)視頻幀序號(hào)fNum小于閾值fTh時(shí),進(jìn)行附加鬼影檢測(cè).若緩沖像素值的出現(xiàn)次數(shù)大于鬼影閾值GhostTh,將其移入第二背景模型,同時(shí)將此緩沖像素值從緩沖模型中清除,標(biāo)記此像素點(diǎn)為鬼影像素點(diǎn).當(dāng)幀序號(hào)大于幀序號(hào)閾值fTh時(shí),進(jìn)行短暫停留前景附加檢測(cè).只有當(dāng)緩沖像素值的出現(xiàn)次數(shù)大于背景閾值BackTh時(shí),才能將此緩沖背景像素值移入第二背景模型.

2.2.2 前景檢測(cè)

如圖5,首先讓當(dāng)前像素值與Vibe背景模型匹配,若能夠完成匹配,再判斷當(dāng)前Vibe背景模型是否為鬼影背景模型,若是鬼影背景模型,則在接下來(lái)的20幀內(nèi)用背景值依次替換背景模型中的樣本值,依次替換模型中的樣本值,是為了增加背景模型中樣本值的多樣性,提升檢測(cè)的效率.若不是鬼影背景模型,抽樣更新Vibe背景模型;如果當(dāng)前像素值不能夠與Vibe模型匹配,則嘗試匹配第二背景模型,若不能與第二背景模型完成匹配,則判其為前景像素值,更新緩沖模型.若能夠與第二背景模型完成匹配,則再判斷當(dāng)前像素點(diǎn)是否為初始化引入的鬼影像素點(diǎn);若是鬼影像素點(diǎn)就清空第二背景模型,重新初始化當(dāng)前像素點(diǎn)的Vibe背景模型,并將其標(biāo)記為鬼影背景模型,若當(dāng)前像素點(diǎn)不是初始化引入的鬼影像素點(diǎn),則抽樣更新第二背景模型.

圖5 前景檢測(cè)流程圖Figure 5 Flowchart of the motion detection

緩沖模型的更新策略保證了短時(shí)間內(nèi)高頻出現(xiàn)的前景目標(biāo)不會(huì)被當(dāng)做新增加的背景吸納,避免了誤判.第二背景模型的引入使得單一像素點(diǎn)同時(shí)存在多個(gè)背景模型的,能夠有效地處理多背景模型的復(fù)雜應(yīng)用環(huán)境.另外,如圖5所示,不同模型的更新是相互獨(dú)立的,這就保證了當(dāng)一種背景離開(kāi)后,算法依然能夠快速有效地檢測(cè)出前景目標(biāo),同時(shí)這種策略也避免了背景離開(kāi)后鬼影的形成,但是無(wú)法處理周期性出現(xiàn)的擾動(dòng)背景像素點(diǎn).

3 實(shí)驗(yàn)結(jié)果

本文的實(shí)驗(yàn)環(huán)境為配置opencv 2.4.4的VS2010,運(yùn)行在惠普pro系列臺(tái)式機(jī)上,內(nèi)存4 GB,處理器為Intel Core i5 3.20 GHz,處理的視頻序列出自PETS dataset 2006.本文所提的改進(jìn)算法主要為了解決鬼影問(wèn)題,為了考察改進(jìn)算法處理鬼影的能力,從標(biāo)準(zhǔn)訓(xùn)練集中選取了一段存在鬼影的視頻作為實(shí)驗(yàn)序列,實(shí)驗(yàn)結(jié)果如圖6.

圖6 鬼影對(duì)比試驗(yàn)結(jié)果Figure 6 Comparison of ghost detection

經(jīng)過(guò)試驗(yàn)發(fā)現(xiàn),將幀序號(hào)閾值nFrameTh設(shè)置為150,鬼影閾值設(shè)置為70時(shí),鬼影檢測(cè)效果最好.鬼影對(duì)比試驗(yàn)結(jié)果如圖6.到第150幀時(shí),由于鬼影像素點(diǎn)的連續(xù)出現(xiàn)幀數(shù)已經(jīng)超過(guò)了鬼影檢測(cè)閾值,所以在第150幀時(shí),本文改進(jìn)算法已將鬼影完全抑制.而原Vibe算法對(duì)鬼影的抑制完全依賴(lài)于背景像素點(diǎn)的抽樣穿插更新策略,到150幀時(shí),原Vibe算法依然檢測(cè)出完整的鬼影,直到1 700幀時(shí),原Vibe算法才完成了對(duì)鬼影的抑制.文獻(xiàn)[20]所提改進(jìn)算法依靠相鄰像素點(diǎn)的空間一致性原則從外向內(nèi)對(duì)鬼影進(jìn)行抑制,到第150幀時(shí)未能完全抑制鬼影出現(xiàn),直到第400幀才完全抑制了鬼影.由此可見(jiàn),本文算法在鬼影抑制速度上明顯優(yōu)于原Vibe算法和文獻(xiàn)[20]所提改進(jìn)算法.

為了全面對(duì)比算法的性能,從標(biāo)準(zhǔn)訓(xùn)練集中選取了一段不存在鬼影的室外視頻作為實(shí)驗(yàn)序列,檢測(cè)效果如圖7.圖片中的前景為4位行人、一輛行駛中的白色汽車(chē)和一輛剛在三叉路口停下的轎車(chē).觀察圖片發(fā)現(xiàn):相比于原Vibe算法和文獻(xiàn)[20]算法,本文算法不僅能夠更好的抑制噪點(diǎn)的出現(xiàn),還提高了前景目標(biāo)的檢測(cè)率.本文算法性能優(yōu)越因?yàn)槿∠吮尘跋袼攸c(diǎn)的穿插更新、引入了以8鄰域?yàn)閱挝坏膮^(qū)域檢測(cè),在避免誤判的同時(shí),也有效的抑制了噪點(diǎn)的出現(xiàn).

圖7 室外檢測(cè)效果對(duì)比圖Figure 7 Comparison of the outdoor detection

為了從參數(shù)指標(biāo)上對(duì)比原Vibe算法、文獻(xiàn)[20]算法和本文算法,引用PCC參數(shù).PCC全稱(chēng)為:Percentage of Correct Classification,是指一幀圖片中正確檢測(cè)的像素點(diǎn)比例,公式如下:

(5)

其中:TP—指正確檢測(cè)的前景像素點(diǎn)個(gè)數(shù),FP—誤判為前景像素點(diǎn)的背景點(diǎn)個(gè)數(shù),TN—正確檢測(cè)出的背景像素點(diǎn)個(gè)數(shù),FN—誤判為背景的前景點(diǎn)個(gè)數(shù).圖7所示圖片大小為448×336,Vibe算法和改進(jìn)算法的PCC參數(shù)如表1.

表1 PCC參數(shù)表

表1對(duì)比的PCC參數(shù)是圖7序列所示視頻處理后的PCC,因?yàn)樵撔蛄兄胁淮嬖诠碛?避免了鬼影對(duì)PCC參數(shù)的影響,保證了PCC的準(zhǔn)確性.對(duì)比表1可以看出,本文算法的PCC指標(biāo)最優(yōu).主要因?yàn)楦倪M(jìn)算法一方面有效的過(guò)濾了噪點(diǎn),另一方面減少了誤判,提高了前景目標(biāo)的檢測(cè)效率.

通過(guò)以上對(duì)比發(fā)現(xiàn),改進(jìn)后算法的檢測(cè)性能得到了有效的提升,然而算法是否依然滿(mǎn)足實(shí)時(shí)性的要求呢？在相同的實(shí)驗(yàn)條件下,原Vibe算法、文獻(xiàn)[20]算法和本文算法的運(yùn)行時(shí)間如表2.

表2 算法的平均處理速度

從表2可以看出取消了穿插更新后,即使加入了以8鄰域?yàn)閱挝坏膮^(qū)域檢測(cè),改進(jìn)算法能夠滿(mǎn)足實(shí)時(shí)性的要求.

圖8 短暫停留背景Figure 8 Background for short stay

本文算法引入了緩沖背景模型和第二背景模型,使得改進(jìn)算相比于原Vibe算法和文獻(xiàn)[20]算法發(fā)能夠處理更加復(fù)雜的背景環(huán)境.當(dāng)停留前景目標(biāo)出現(xiàn)頻率超過(guò)背景閾值BackTh時(shí),算法將其吸納為背景,并將前景目標(biāo)像素值移入第二背景模型.當(dāng)停留前景離開(kāi)后,由于原Vibe模型依然存在,算法不會(huì)由于停留背景的離開(kāi)而檢測(cè)出鬼影.其中背景閾值根據(jù)應(yīng)用環(huán)境的不同而適當(dāng)調(diào)整.為了顯示本文算法處理停留前景目標(biāo)的能力,實(shí)驗(yàn)中我們將背景閾值設(shè)置為600,如圖8,在第950幀時(shí),路過(guò)的行人將一白色手提袋放在沙發(fā)上,在第2 150幀時(shí)白色手提袋已經(jīng)被吸納為背景,在第2 460幀時(shí)路過(guò)的行人將白色手提袋拿走,然而因?yàn)楫?dāng)前像素值依然能夠與Vibe背景模型匹配,所以白色手提袋原來(lái)擺放的位置并沒(méi)有因?yàn)榘咨痔岽碾x去而形成鬼影.

4 結(jié) 語(yǔ)

本文提出了一種基于Vibe模型的改進(jìn)運(yùn)動(dòng)檢測(cè)算法:取消了Vibe算法中的穿插更新策略;為了避免單像素點(diǎn)造成的誤判,引入以8鄰域?yàn)閱挝坏膮^(qū)域更新策略;為了能夠處理復(fù)雜的背景環(huán)境,引入了緩沖模型和第二背景模型.實(shí)驗(yàn)結(jié)果分析表明,在空間一致性的原則下,改進(jìn)后的算法能夠有效地處理鬼影和短暫停留的前景目標(biāo).但是當(dāng)鬼影區(qū)域出現(xiàn)像素值突變時(shí),鬼影的處理效果將受到影響,同時(shí)改進(jìn)算法無(wú)法處理周期性出現(xiàn)的擾動(dòng)目標(biāo),如何解決這兩個(gè)問(wèn)題,將是接下來(lái)研究的側(cè)重點(diǎn).

[1] 王亮,胡衛(wèi)明,譚鐵牛.人運(yùn)動(dòng)的視覺(jué)分析綜述[J].計(jì)算機(jī)學(xué)報(bào),2002,25(3):225-237. WANG Liang, HU Weiming, TAN Tieniu. A survey of visual snalysis of human motion[J]. Chinese Journal of Computers,2002,25(3):225-237.

[2] 田楠.背景建模算法研究[D].蘭州:蘭州大學(xué),2012. TIAN Nan. Research of background modeling algorithm[D]. Lanzhou: Lanzhou University,2012.

[3] WREN C R, DARRELL T,PENTLAND A P, et al. Pfinder: Real-time tracking of the human body[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785.

[4] 孫毅剛,李鴻,張紅穎.基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)工程,2012,38(18):166-170. SUN Yigang, LI Hong, ZHANG Hongying. Moving object detection algorithm based on improved gaussian mixture model[J]. Computer Engineering,2012,38(18):166-170.

[5] 馬若飛.基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[D].蘭州:蘭州大學(xué),2010. MA Ruofei. Research on moving object detection algorithm based on Gaussian mixture mode[D]. Lanzhou: Lanzhou University,2010.

[6] ZIVKOVIC Z. Improved adaptive gaussian mixture model for background subtraction[C]//Proceedings of the 17th International Conference on Pattern Recognition. UK: IEEE Computer Society,2004:28-31.

[7] LEE D S. Effective gaussian mixture learning for video background subtraction[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on,2005,27(5):827-832.

[8] WANG Hanzi, SUTER D. A consensus based method for tracking: modelling background scenario and foreground appearance[J].Pattern Recognition,2007,40(3):1091-1105.

[9] 高美鳳,劉娣.分塊幀差和背景差相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)應(yīng)用研究,2013,30(1):299-302. GAO Meifeng, LIU Di. Moving object detection based on consecutive blocks frame difference and background subtraction[J].Application Research of Computers,2013,30(1):299-302.

[10] MOHAMED S S, TAHIR N M, ADNAN R. Background modelling and background subtraction performance for object detection[C]//Proceedings of the 6th International on CSPA. Mallaca:IEEE,2010:1-6.

[11] KIM K, CHALIDABHONGSE T H, HARWOOD D, et al. Real-time foreground-background segmentation using codebook model[J]. Real-Time Imaging,2005,11(3):172-185.

[12] KIM K, CHALIDABHONGSE T H, HARWOOD D, et al. Background modeling and subtraction by codebook construction[C]//Proceedings of the 2004 International Conference on Image processing. Singapore:IEEE,2004:3061-3064.

[13] 郭春生,王盼.一種基于碼本模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].中國(guó)圖象圖形學(xué)報(bào),2010,15(7):1079-1083. GUO Chunsheng, WANG Pan. An algorithm based on codebook model to moving objects detection[J]. Journal of Image and Graphics,2010,15(7):1079-1083.

[14] 齊美彬,楊?lèi)?ài)麗,蔣建國(guó),等.一種基于改進(jìn)碼本的車(chē)輛檢測(cè)與跟蹤方法[J].中國(guó)圖象圖形學(xué)報(bào),2010,15(7):406-412. QI Meibin, YANG Aaili, JIANG Janguo, et al. A vehicles detection and tracking algorithm based on improved codebook[J]. Journal of Image and Graphics,2011,16(3):406-412.

[15] BARNICH O, DROOGENBROECK M V. Vibe: a powerful random technique to estimate the background in video sequences[C]// Proceedings of the ICASSP 2009 on Acoustics, Speech and Signal Processing. Taipei: IEEE,2009:945-948.

[16] BARNICH O, DROOGENBROECK M V. Vibe: a universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Proceeding,2011,20(6):1709-1724.

[17] 蔣建國(guó),王濤,齊美彬,等.基于vibe的車(chē)流量統(tǒng)計(jì)算法[J].電子測(cè)量與儀器學(xué)報(bào),2012,26(6):558-563. JIANG Janguo, WANG Tao, QI Meibin, et al. Statistical algorithm for traffic flow based on ViBe[J]. Journal of Electronic Measurement and Instrument,2012,26(6):558-563.

[18] 張磊,傅志中,周岳平.基于HSV顏色空間和Vibe算法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(4):181-185. ZHANG Lei, FU Zhizhong, ZHOU Yueping. Moving objects detection based on HSV colorspace and Vibe algorithm[J].Computer Engineering and Applications,2014,50(4):181-185.

[19] VAN D M, PAQUOT O. Background subtraction: experiments and improvements for ViBe[C]//Computer Vision and Pattern Recognition Workshops (CVPRW). Providence, RI: IEEE,2012:32-37.

[20] 陳亮,陳曉竹,范振濤.基于Vibe的鬼影抑制算法[J].中國(guó)計(jì)量學(xué)院學(xué)報(bào),2013,24(4):425-429. CHEN Liang, CHEN Xiaozhu, FAN Zhentao. Ghost suppression algorithm based on Vibe[J]. Journal of China University of Metrolohy,2013,24(4):425-429.

Region detection algorithm for ghost suppression

CHEN Liang, CHEN Xiaozhu, HU Zhengdong

(College of Information Engineering, China Jiliang University, Hangzhou 310018, China)

Vibe algorithm is an effective visual motion detection algorithm. By using the updated background model to suppress ghost, the original Vibe algorithm depressed slowly. We proposed an improved Vibe algorithm by making several improvements based on the original algorithm. In order to avoid the misjudgment at the pixel level, we detected the binary mask at the blob level, which was detected by the improved Vibe algorithm, adding a second model and a cache to deal with ghost and short stay objects. The simulation verifies that the improved algorithm can effectively handle noise, ghost and short stay objects.

background modeling; motion detection; Vibe algorithm; ghost suppression

1004-1540(2015)01-0115-08

10.3969/j.issn.1004-1540.2015.01.021

2014-07-19 《中國(guó)計(jì)量學(xué)院學(xué)報(bào)》網(wǎng)址：zgjl.cbpt.cnki.net

TP301.6

A